1、金融时间序列基础：尖峰厚尾、波动率聚集与杠杆效应

大家好，我是你们的老朋友。今天咱们正式开讲《GARCH模型波动率预测全流程实战》的第一章。

说实话，我刚开始做量化那会儿，也跟很多人一样，上来就想着用ARIMA、用线性回归去预测股价。结果呢？模型在回测里跑得挺漂亮，一上实盘就崩了。后来我才明白——金融数据，它压根儿就不是“正常人”。

这一章，我们就来聊聊金融时间序列的几个“怪脾气”。搞懂这些，你才能明白为什么我们需要GARCH这个工具。

1.1 金融数据的“厚尾”现象

先问大家一个问题：你觉得股票收益率服从正态分布吗？

教科书上经常这么假设。但实际数据会告诉你——想得美。

我拿沪深300指数过去十年的日收益率做过统计。如果它是正态分布，那么超过3个标准差的事件，大概每370天出现一次。但实际上呢？我统计下来，平均每20天就来一次。这就是典型的“厚尾”。

说白了，就是极端行情发生的概率，比正态分布预测的要高得多。你想想看，2008年金融危机、2015年股灾、2020年疫情暴跌……这些“黑天鹅”事件，在正态分布模型里几乎是不可能发生的，但它们就是发生了。

1.2 波动率聚集：坏消息总是一起来

第二个特性，叫“波动率聚集”。

什么意思呢？就是大的波动后面，往往跟着大的波动；小的波动后面，跟着小的波动。用行话讲，就是波动率具有“自相关性”。

我记得2015年那会儿做股指期货策略，6月份股灾刚开始时，我还在想“跌了这么多，该反弹了吧”。结果呢？连续几天千股跌停，波动率一天比一天大。这就是典型的波动率聚集——市场一旦恐慌起来，会持续恐慌一段时间。

为什么会这样？

因为投资者的情绪、信息的传播、资金的博弈，都不是瞬间完成的。一个利空消息出来，大家需要时间消化、反应、交易。这个过程会持续一段时间，导致波动率在一段时间内都维持在高位。

1.3 杠杆效应：跌的时候更“刺激”

第三个特性，叫“杠杆效应”。

简单说就是：股价下跌时，波动率上升得更快；股价上涨时，波动率上升得慢，甚至可能下降。

你想想看，一家公司股价跌了10%，它的资产负债率是不是就变高了？财务杠杆变大了，风险自然就大了，波动率也就上去了。反过来，股价上涨，杠杆降低，波动率反而会收敛。

我在做期权定价时，对这个感受特别深。用传统的BS模型算出来的期权价格，在下跌行情中总是偏低。为什么？因为BS模型假设波动率是常数，但实际市场里，跌的时候波动率会飙升，期权价格自然要更贵。

1.4 为什么需要GARCH模型？

好了，现在问题来了：既然金融数据这么“不听话”，我们该怎么办？

传统的计量模型，比如ARIMA，假设方差是常数。这在金融数据面前，基本就是“睁眼瞎”。你想想看，一个假设波动率不变的模型，怎么可能预测出波动率聚集和杠杆效应？

GARCH模型的出现，就是为了解决这个问题。

它的核心思想很简单：让方差随时间变化，并且让当前的方差依赖于过去的方差和过去的收益率。

说白了，就是“用历史波动来预测未来波动”。

GARCH(1,1)模型的基本形式是这样的：

σ²_t = ω + α * ε²_{t-1} + β * σ²_{t-1}

其中：

• σ²_t 是当前时刻的方差（波动率的平方）
• ε²_{t-1} 是上一时刻的收益率残差平方（代表新信息）
• σ²_{t-1} 是上一时刻的方差（代表历史波动）
• ω、α、β 是待估计的参数

你看，这个模型天然就能捕捉“波动率聚集”——如果上一期波动很大（σ²_{t-1}大），或者上一期有大的冲击（ε²_{t-1}大），那么当前期的波动也会大。

1.5 本章知识体系总览

为了让大家对本章内容有个整体把握，我画了一张图。这张图把金融时间序列的特性、它们带来的问题，以及GARCH模型如何解决这些问题，串在了一起。

这张图把整个逻辑链条讲清楚了。从金融数据的三个核心特性出发，它们各自带来了建模上的难题，传统模型搞不定，于是GARCH模型登场了。

嗯，这一章的内容就到这里。搞懂了金融时间序列的“怪脾气”，你就知道GARCH模型为什么是量化波动率预测的标配了。下一章，我们会手把手推导GARCH模型的数学公式，并教你如何用Python实现它。

公众号:蓝海资料掘金营，微信deep3321